Prueba de reclasificación de modelos

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. En un proceso de recuperación típico de dos etapas, ¿cuál es el trabajo del reclasificador?
   • Para volver a calificar y reordenar una lista corta de candidatos según su relevancia
   • Para extraer los candidatos iniciales de millones de documentos
   • Para almacenar documentos en una base de datos
   • Para generar la respuesta final en lenguaje natural.
2. Besides MS MARCO, on which dataset did Nogueira and Cho report strong results for their BERT passage reranker?
   • ImagenNet
   • TREC-CAR
   • LibriDiscurso
   • SQuAD only
3. ¿Por qué no se puede utilizar un reclasificador de codificador cruzado para buscar millones de documentos directamente?
   • Sólo funciona en imágenes.
   • No puede leer texto
   • Sus puntuaciones deben calcularse de nuevo para cada par de consulta y documento, lo cual es demasiado lento a escala.
   • No requiere ningún cálculo
4. ¿Cuál es la principal ventaja de un bicodificador sobre un codificador cruzado?
   • Es más preciso en relevancia detallada
   • Siempre reordena los resultados perfectamente.
   • No necesita datos de entrenamiento.
   • La incorporación de documentos se puede precalcular, lo que hace que la recuperación sea rápida y escalable.
5. How can a reranker affect context quality in a retrieval-augmented generation pipeline?
   • It can move more relevant retrieved candidates higher in the context shortlist, but does not guarantee correctness
   • It ensures every retrieved passage is factually correct
   • It creates missing documents in the corpus
   • It removes the need to evaluate retrieval
6. In listwise reranking, what does the model consider together?
   • Only one document with no query
   • A query and a set of candidate documents when deciding their ordering
   • Each document embedding before any candidate retrieval
   • A single relevance label for the full training corpus
7. What should a team verify before interpreting reranker scores as probabilities?
   • Whether every score is above zero
   • Whether the first-stage retriever was removed
   • Whether the scores have been calibrated and evaluated for that use
   • Whether the model has more parameters than the retriever
8. What limitation does a reranker inherit from the first-stage retrieval system?
   • It always returns a calibrated probability
   • It removes the need for retrieval
   • It guarantees a correct generated answer
   • It cannot promote a relevant document that was never included in the candidate set